Un algorithme d'IA améliore la sécurité routière en surveillant la charge de travail du conducteur

Des chercheurs de l'Université de Cambridge, en collaboration avec Jaguar Land Rover (JLR), ont mis au point un algorithme adaptable susceptible d'améliorer considérablement la sécurité routière en prédisant les moments où les conducteurs peuvent interagir en toute sécurité avec les systèmes embarqués ou recevoir des messages au volant. Cette approche novatrice combine des essais sur route et des techniques d'apprentissage automatique pour mesurer en continu la charge de travail du conducteur, permettant ainsi des ajustements en temps réel en fonction de l'évolution des conditions et du comportement du conducteur.

Algorithme adaptatif pour une sécurité routière améliorée

L'algorithme mis au point par les chercheurs est très adaptable et capable de réagir aux variations de la charge de travail du conducteur, des conditions et types de routes, ainsi qu'aux caractéristiques du conducteur. Il utilise une combinaison de techniques d'apprentissage automatique et de filtrage bayésien pour évaluer en continu la charge de travail du conducteur. Par exemple, la conduite dans une zone inconnue ou en cas de circulation dense peut indiquer une charge de travail plus élevée, tandis qu'un trajet domicile-travail quotidien peut indiquer une charge de travail plus faible.

L'objectif principal de cette technologie est d'améliorer la sécurité routière en personnalisant les interactions conducteur-véhicule. Par exemple, les conducteurs sont alertés des messages et notifications non urgents pendant les périodes de faible charge de travail, ce qui leur permet de maintenir toute leur concentration sur la route lors de situations de conduite plus exigeantes.

L'accès croissant aux données embarquées dans les véhicules représente un risque majeur pour la sécurité routière, car il peuttracles conducteurs. Pour y remédier, il est essentiel de mettre en place un système d'évaluation continue de la charge de travail du conducteur. En analysant son niveau d'attention et les conditions de circulation, ce système peut optimiser la diffusion d'informations et d'alertes, en veillant à ce qu'elles surviennent pendant les périodes de faible concentration du conducteur.

Mesurer la charge de travail du conducteur

Bien qu'il existe déjà des algorithmes mesurant la demande du conducteur à l'aide de systèmes tracdu regard et de données biométriques, les chercheurs de Cambridge ont cherché à développer une approche exploitant les données facilement accessibles de tout véhicule, et plus précisément les signaux de performance de conduite tels que les données de direction, d'accélération et de freinage. Cette approche permet la collecte et la fusion de divers flux de données non synchronisés, y compris les données provenant de capteurs biométriques, le cas échéant.

Pour mesurer la charge de travail des conducteurs, les chercheurs ont mené des expériences sur route à l'aide d'une version modifiée du test de détection périphérique. Les participants devaient appuyer sur un bouton porté au doigt dès qu'ils percevaient une situation de faible charge de travail, signalée par le clignotement régulier d'une LED rouge sur un téléphone affichant une application de navigation. L'analyse vidéo et les données des boutons ont permis d'dentles situations de forte charge de travail, comme la traversée de carrefours encombrés ou la rencontre de comportements inhabituels des véhicules.

Cadre d'apprentissage automatique adaptatif

Les données recueillies lors des expériences ont servi à développer et valider un cadre d'apprentissage automatique supervisé. Ce cadre établit le profil des conducteurs en fonction de leur charge de travail moyenne et utilise des techniques de filtrage bayésien pour estimer en temps réel leur charge de travail instantanée. Il combine des mesures macro et micro de la charge de travail, permettant ainsi une adaptation aux différents types de routes, aux conditions de circulation ou aux conducteurs utilisant le même véhicule.

La collaboration de recherche avec Jaguar Land Rover (JLR) a porté sur la conception expérimentale et la collecte de données. Le Dr Lee Skrypchuk, spécialiste technique senior en interface homme-machine chez JLR, a souligné l'importance de cette recherche pour comprendre l'impact du design du point de vue de l'utilisateur. Elle contribuera à améliorer la sécurité et l'expérience de conduite en optimisant le moment des notifications et des interactions dans les véhicules JLR.

Amélioration continue de la sécurité

Grâce à cet algorithme adaptatif, les véhicules peuvent envoyer des notifications et interagir avec les conducteurs au moment opportun, réduisant ainsi les risques detraclors de situations de forte charge de travail. Cette technologie représente une avancée majeure pour la sécurité routière, car elle permet aux conducteurs de rester concentrés sur la route, notamment dans les situations de conduite exigeantes.

Les recherches menées à l'Université de Cambridge ont été réalisées par une équipe de chercheurs du Laboratoire de traitement du signal et des communications (SigProC) du département d'ingénierie, sous la direction du professeur Simon Godsill. Dirigée par le Dr Bashar Ahmad, l'équipe comprenait également Nermin Caber et le Dr Jiaming Liang, qui ont tous contribué au succès du projet.

À l'ère de la connectivité croissante des véhicules, la surveillance et l'adaptation à la charge de travail du conducteur sont essentielles à la sécurité routière. L'algorithme novateur développé par l'Université de Cambridge, en collaboration avec Jaguar Land Rover, offre une solution prometteuse à ce défi. En privilégiant la sécurité et en optimisant les interactions conducteur-véhicule, cette technologie a le potentiel d'améliorer considérablement l'expérience de conduite tout en réduisant lestracsur la route.